TL;DREMBL AI LI…
TL;DR
本論文は、プライバシー制約のある環境でも使えるよう、ローカル実行可能な軽量オープンソースLLMを用いてソースコードからドメインモデル（UMLクラス図）を自動抽出する手法を提案。構造的・意味的ヒューリスティクスと反復的なLLM推論を組み合わせ、コンテキストウィンドウの制限を克服。10プロジェクトの評価で高いF1スコアを達成し、モデルとコードのトレーサビリティも確立する。
解説
ねえ智也くん、この論文のタイトル見て！ローカルLLMでソースコードからドメインモデルを自動抽出するんだって。すごく難しそうだけど、何がすごいの？
ああ、それはね、ソースコードを解析してUMLクラス図みたいなドメインモデルを自動で作る手法なんだ。特に、プライバシーが重要な環境でも使えるように、ローカルで動く軽量なLLMを使ってるのがポイントだよ。
ローカルで動くLLMって、クラウドに送信しないってこと？それってセキュリティ的に安心だね。でも、なんでわざわざローカルにする必要があるの？
そう。企業のコードには機密情報が含まれることが多いから、外部のAPIに送るのはリスクがあるんだ。それに、オフライン環境でも動かせるようにするためだね。
なるほどね。でも、ローカルの軽量LLMって精度が心配じゃない？ちゃんとドメインモデルを抽出できるの？
そこがこの論文の工夫だよ。単にLLMに頼るんじゃなくて、構造的・意味的なヒューリスティクスと、反復的なLLM推論を組み合わせてるんだ。コンテキストウィンドウの制限も克服してる。
反復的な推論って、何回もLLMに聞き直すってこと？それでどうやって精度を上げてるの？
うん。最初にコードの構造から候補を絞って、それからLLMに意味的な関連性を判断させる。それを繰り返すことで、コンテキストが長くても処理できるようにしてるんだ。
へえ、賢い方法だね。で、実際にどれくらいうまくいくの？評価とかしてる？
10個のプロジェクトで評価してて、高いF1スコアを達成してるんだ。それに、モデルとコードのトレーサビリティも確立できるから、抽出したモデルがどのコードに対応するかもわかるようになってる。
トレーサビリティって、あとでコードが変わったときにモデルを更新しやすくなるってこと？それって開発の現場ではすごく便利そう！
そうだね。ドキュメントが古くなる問題を解決できるかもしれない。ただ、まだ限界もあるよ。例えば、LLMの推論が完全に正確とは限らないし、複雑なコードだとヒューリスティクスがうまく機能しない場合もある。
でも、ローカルで動くってのがすごく魅力的だよね。私も試してみたいな。でも、私がやったらドメインモデルじゃなくてドメイン迷子になりそう（笑）
はは、それなら俺がナビゲートしてあげるよ。でも、まずは論文をちゃんと読もうね。